利用机器学习和深度学习技术对MODIS反演的气溶胶光学厚度数据进行偏差校正

《International Journal of Remote Sensing》：Bias correction of MODIS retrieved Aerosol Optical Depth using Machine Learning and Deep Learning Techniques

气溶胶光学深度（AOD）校正研究利用AERONET坎普尔站数据修正MODIS Collection 6.1的AOD偏差，结合ECMWF气象数据，采用AdaBoost、决策树、随机森林等8种机器学习模型进行优化，其中CatBoost模型在Aqua DT3km、DT10km及DB10km，Terra DT3km、DT10km和DB10km等产品中分别提升相关系数9.42%-27.34%，并显著提高误差范围内数据比例。

　　

摘要

气溶胶通过与太阳辐射相互作用以及改变云的特性来影响气候。基于卫星的气溶胶光学厚度（AOD）测量数据，例如MODIS（中分辨率成像光谱辐射计）提供了广泛的覆盖范围，但由于大气变化和算法限制而存在偏差。本研究旨在利用AERONET（气溶胶机器人网络）的AOD数据作为参考，改进MODIS的AOD反演结果，重点关注坎普尔站的数据。研究使用了欧洲中期天气预报中心（ECMWF）再分析得到的关键气象变量来校正MODIS Collection 6.1数据集（Terra：2001–2022年，Aqua：2002–2022年）中的AOD偏差，这些数据集涵盖了暗目标（DT_3?km和DT_10?km）和深蓝色（DB_10?km）产品。研究采用了多种机器学习算法，包括AdaBoost（AdaB）、决策树（DTree）、随机森林（RF）、支持向量回归（SVR）、XGBoost（XGB）、LightGBM（LGBM）和CatBoost，以及一种深度学习模型——人工神经网络（ANN）。为了调整超参数和确保模型稳定性，还使用了10折交叉验证和GridSearchCV等高级技术。性能评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）、相关性（R）、平均绝对百分比误差（MAPE）、平均偏差（MB）以及数据落在预期误差范围内的百分比（EE）。在所有测试模型中，CatB模型表现出色，在准确性和可靠性方面取得了最佳平衡，尤其在Terra和Aqua的气溶胶产品上表现尤为突出。CatB模型分别将Aqua DT_3?km、Aqua DT_10?km、Aqua DB_10?km、Terra DT_3?km、Terra DT_10?km和Terra DB_10?km的相关性值提高了9.42%、18.92%、17.55%、6.21%和10.69%。同时，数据落在预期误差范围内的百分比也有所提高，范围在19.75%（Terra DB_10?km）到27.34%（Aqua DT_10?km）之间。